AI的數(shù)據(jù)通常包含不完整或偏斜的信息

偏見是AI的刻板印象之一。那些偏見的人通常對... AI偏見有偏見。我們已經(jīng)看到企業(yè)花費了不必要的資源來消除AI偏見，因為他們沒有進行盡職調查就認為偏見總是不好的。

同時，偏見是學習的自然結果。無法完全消除它，但可以對其進行管理。例如，分析過程的透明性以及為數(shù)據(jù)和算法分配信任級別可減少意外后果的風險。偏差可以是有意的，也可以是無意的。 數(shù)據(jù)，算法和選擇它們的人員都可能有偏見。偏見可能與種族，性別，年齡，位置或時間有關。但是，有些形式的偏見是可取的，例如，避免使用不良語言并偏向于善解人意，禮貌和耐心的語言是對您正確認為對啟用AI的系統(tǒng)與人之間的對話至關重要的偏見的形式。

AI的數(shù)據(jù)通常包含不完整或偏斜的信息。有時，甚至無法確保代表性數(shù)據(jù)減少AI偏差。有什么可能?在解釋數(shù)據(jù)時，可能會提高對批判性思維的認識-數(shù)據(jù)僅反映了我們是誰和我們做什么。從人為偏見開始就變成算法偏見。

親自處理AI偏見的人表示自己的偏見已減少。例如，愛立信使用情景規(guī)劃方法來挑戰(zhàn)整個組織的戰(zhàn)略思維，并在戰(zhàn)略制定過程的多個階段測試和篩選偏見(Gartner 在“研發(fā)決策的常見認知偏見”中對此進行了描述)。

培養(yǎng)初學者的思想。我們在Maverick *研究中描述了如何做到這一點：以正念消除對 AI和數(shù)據(jù)科學的疏忽。初學者的思想使人們能夠做出明智的選擇和業(yè)務決策，而不是永久使用“舊方法”和潛伏偏見。初學者的思維使專家們具有靈活性和適應性，還可以使從業(yè)者提出新問題，并為老問題找到新答案。